Con cuasi experimentos pueden las mipymes realizar investigación de mercados a punta de lanza

Los métodos cuasiexperimentales se han aplicado ampliamente en el marketing para explicar la transformación en el comportamiento del consumidor, la práctica empresarial o el desempeño de mercado. El propósito de los métodos cuasiexperimentales es determinar la presencia de una relación causal en ausencia de variación experimental. En un artículo reciente del Journal of Marketing, encontré algo de orientación sobre cómo realizar con éxito investigaciones de mercado con cuasiexperimentos para comprender si una acción afecta causalmente un resultado de marketing.

Como ejemplo vehemente, el artículo describe un cuasiexperimento que ocurrió cuando una compañía multinacional de comercio electrónico canceló toda la publicidad de búsqueda pagada en Bing como consecuencia de una disputa con Microsoft. Al respecto, la compañía no perdió tanto tráfico como quizás algunos especulaban.

Dichos resultados cuasiexperimentales, inspiraron una investigación de campo de seguimiento donde el efecto de la suspensión aleatoria de la publicidad de búsqueda pagada de marca, coincidía con los resultados del cuasiexperimento.

La investigación empieza por establecer varios tipos de variación cuasiexperimental a nivel individual, organizacional y de mercado. En cada tipo, dada la falta de experimentación, algunas personas, empresas o mercados recibieron una acción o norma (es decir, el grupo de exploración) y, algunos no (es decir, el grupo de control). Por ejemplo, ciertos mercados se ven afectados por alguna nueva norma y otros no. El interrogante aquí, es cómo los mercados que reciben el procedimiento actuarían si no lo hubieran recibido (es decir, el contrafáctico). [Se denomina contrafactual o contrafáctico a todo acontecimiento o a toda situación que no ha sucedido en el universo actualmente observable por la investigación humana, pero que podría haber ocurrido (la situación o acontecimiento fácticos o fenoménicamente existentes son llamados por este motivo, algo ambiguamente, «actuales»)].

Lo inobservable de lo contrafáctico, significa que las suposiciones son requisito imperativo para garantizar que las diferencias (observadas y sin observar) sean lo más inquebrantables posible, imitando así la asignación aleatoria lo más cercano posible.

Los investigadores, Avi Goldfarb, Catherine Tucker y Yanwen Wang, analizaron cómo estructurar una estrategia empírica para identificar una relación causal empleando métodos como la diferencia en diferencias (es un método econométrico y de evaluación de impacto cuasiexperimental que consiste en medir el efecto que tiene una intervención sobre un grupo de tratamiento respecto a un grupo de comparación que no tiene la intervención a través del tiempo); la discontinuidad de regresión [en estadística, econometría, ciencia política, epidemiología y otras disciplinas relacionadas, un diseño de regresión discontinua (RDD) es un diseño cuasi-experimental pretest-postest que investiga efectos causales de las intervenciones mediante la asignación de un valor de corte o umbral por encima o por debajo de los cuales una intervención es asignada]; las variables instrumentales [el método de variables instrumentales permite una estimación consistente cuando las variables explicativas (covariables) se correlacionan con los términos de error de la regresión]; coincidencia de puntaje de propensión [en el análisis estadístico de los estudios observacionales, el pareamiento por puntaje de propensión, es una técnica estadística de coincidencia que intenta estimar el efecto de un tratamiento (1. Realizar una regresión logística) una política (2. Emparejar cada participante a uno o más de los no participantes según el puntaje de propensión) u otra intervención por cuenta de las covariables que predicen que recibe el tratamiento]; control sintético [es una forma novedosa de realizar estudios comparativos de casos que permite realizar inferencia causal para políticas que afectan a grandes aglomerados]; y corrección de sesgos de selección [es cualquiera de una serie de métodos estadísticos relacionados desarrollados por James Heckman que, permiten que el investigador pueda corregir el sesgo de selección]. Por lo demás, los investigadores en su artículo, hacen hincapié en la importancia de comunicar claramente la identificación de supuestos subyacentes a la afirmación de causalidad y establecer la generalización de los hallazgos.

Los susodichos investigadores, analizaron los siguientes temas con el fin de ayudar a los investigadores y analistas de mercado a utilizar los cuasiexperimentos de manera más efectiva. A saber:

Interrogante de investigación— ¿Acaso, es relevante si, (X) causa (Y)? La primera y más compleja fase de este proceso, es identificar un interrogante que, a los mercadólogos, los gerentes de marca o a quien corresponda, les interese realmente entender si, (X) causa (Y).

Interrogante cuantificable— ¿Cómo encontrar datos con variación cuasiexperimental en (X)? Gran parte del trabajo que emplea variaciones cuasiexperimentales de marketing, resguarda eventos sencillos de entender, tales como problemas ecológicos (clima), geográficos, o de transformación macroeconómica, individual, organizacional y de regulación. Aquí, lo fundamental es considerar por qué cada una de estas fuentes de variación puede aproximar la asignación aleatoria.

Estrategia de identificación— ¿Acaso, (X) hace que (Y) cambie? Ante todo, el investigador debe explicar de dónde proviene la variación afirmada. En segundo lugar, el investigador debe demostrar que la relación entre la variación y el resultado de interés es muy probable que sea impulsada por la relación entre (X) y (Y), y no por algún otro factor.

Análisis empírico— ¿Cómo estimar el efecto de (X) en (Y)? Considerar tres marcos de análisis de regresión distintos que empleen exploraciones cuasi: diferencia en diferencias, discontinuidad de regresión y variables instrumentales.

Desafío del interrogante de investigación— ¿Qué ocurre si la variación en (X) no es exógena? Para el efecto, se esbozan tres métodos: coincidencia de puntaje de propensión, métodos de control sintético y corrección de sesgo de selección con pasos a seguir cuando se infringe lo comparable entre los grupos de control y procedimiento.

Robustez— ¿Qué tan robusto es el efecto de (X) en (Y)? Aquí, la noción es mostrar que el signo, el significante y la magnitud de la estimación siguen siendo ampliamente consistentes en una extensa gama de posibles modelos. Algunos patrones de verificación de robustez incluyen diferentes controles, formas funcionales, elecciones de períodos de tiempo, variables dependientes, el tamaño del grupo de control y una prueba de placebo.

Mecanismo— ¿Por qué (X) hace que (Y) cambie? Comprender cómo se desarrolla el proceso de transformación, aporta información que puede impulsar nuevos conocimientos y acciones más contundentes.

Validez externa— ¿Qué tan generalizable es el efecto de (X) en (Y)? La discusión de validez externa en un testimonio, debe reconocer los supuestos requeridos para el análisis y como para así capturar el efecto promedio del tratamiento en la población de interés, en lugar de un efecto más local que, viene siendo un artefacto de la muestra de datos o la fuente de variación cuasiexperimental.

Justificaciones— ¿Qué queda sin comprobar y cuáles son las advertencias? Cualquier estrategia de identificación se basa en suposiciones que deben ser explícitas en todo el testimonio. Si bien las justificaciones no significan que todo sea condonado, el objetivo debe ser aclarar los límites de las afirmaciones planteadas en dicho testimonio.